Metody detekce automobilu z 2D LIDAR dat nasbíraných mobilním robotem

Abstract

Tato práce se zabývá různými přístupy k detekci automobilů parkovacím robotem v reálném světě. Za tímto účelem byly implementovány tři metody strojového učení založené na segmentaci množin bodů (PointNet), segmentaci obrázků (U-Net) a klasifikaci vektorů atributů (SVM) a jedna geometrická metoda pro lokalizaci kol. Porovnání metod je uskutečněno na anotovaném datasetu 2-dimenzionálních měření ze tří LIDAR senzorů instalovaných na mobilním parkovacím robotu. Použití souboru dat nasbíraného při provozu v reálných podmínkách zaručuje kvalitativní vyhodnocení metod s ohledem na robustnost. Experimenty ukázaly velký potenciál sítě U-Net a algoritmu SVM pro úlohu detekce aut. Navržený systém pro evaluaci v reálném čase se skládá z příjmu dat z LIDAR senzorů, klasifikace jednotlivých bodů metodami strojového učení a lokalizace kol detekovaných automobilů.

This thesis focuses on the research of various approaches to real-world car detection by a parking robot. For this purpose, three machine learning methods based on the point cloud segmentation (the PointNet), image segmentation (the U-Net), and feature vector classification (the SVM) were implemented, and one geometrical-based method for wheel localization. Methods comparison is held on an annotated dataset of 2D measurements from three LIDAR sensors installed on a mobile parking robot. The use of the dataset collected during operating in real-world scenarios ensures the authoritative evaluation of methods with respect to robustness. Experiments indicated a great potential of the U-Net network and the SVM for the car detection task. The proposed system for real-time evaluation consists of subscription to LIDAR sensors, point-wise classification with machine learning methods, and wheel localization of detected cars.